Pierre Lebon, ESILV 2007, est Directeur de l'analyse financière chez cQuant.io, une entreprise fournissant des plateformes cloud aux acteurs opérant sur les marchés de l'énergie ainsi qu'aux sociétés spécialisées dans l'achat et la vente de matières premières.
A l’ère de l’intelligence artificielle, il partage son point de vue sur l’évolution de la collecte et de l’analyse des données et son impact sur la performance opérationnelle des entreprises.

Quel rôle joue actuellement l'intelligence artificielle dans la transformation des entreprises, notamment dans la prise de décision et l'optimisation des processus internes ?

L'intelligence artificielle (IA) se répand progressivement dans divers secteurs, mais elle n'a pas encore atteint le stade de remplacement complet de l'humain. La confiance envers les algorithmes reste un sujet délicat, notamment dans le domaine décisionnel. Il reste important de pouvoir expliquer les mécanismes des modèles d'IA, une compétence clé pour guider les entreprises dans leur transition numérique. En effet, bien que l'IA permette d'optimiser la productivité en automatisant les tâches fastidieuses, elle nécessite une interprétation experte et une justification des résultats. Ainsi, bien que jouant un rôle crucial, la prise de décision demeure l'apanage de l'humain. Cette perspective met en évidence la nécessité d'une compréhension approfondie de l'IA pour en tirer pleinement parti tout en conservant un contrôle éclairé.

En outre, l'intelligence artificielle dans le milieu de l'analyse des risques de marchés est en train de pénétrer les modèles de simulation et d'analyse. Toutefois, la complexité des algorithmes tels que les réseaux neuronaux et les random forest pose des défis en termes d'explicabilité, maintenant ainsi le rôle central de l'humain dans le processus décisionnel. L'optimisation des résultats et des indicateurs clés de performance (KPI) est déjà en cours dès lors que la "boîte noire" peut être éclaircie, ce qui lie étroitement la prise de décision humaine à l'IA. À court terme, les algorithmes de calibration et d'analyse de données sont appelés à s'intégrer de plus en plus aux systèmes existants. Cependant, la viabilité à long terme dépendra de la capacité des développeurs et des ingénieurs à démystifier et à instruire les décideurs sur le fonctionnement des modèles d'IA. En effet, un modèle d'intelligence artificielle efficace est un modèle facilement compréhensible et explicable.

Comment la collecte et l'analyse des données ont-elles évolué ? Quel impact cela a-t-il eu sur la manière dont les entreprises exploitent ces données pour améliorer leur performance opérationnelle et stratégique ?

La collecte et l'analyse des données ont connu des évolutions contrastées selon les secteurs. Dans le domaine des marchés financiers, où l'analyse des données est au cœur des activités, les avancées ont été plus progressives, avec une continuité dans les pratiques existantes. Le secteur financier demeure à la pointe dans le développement de modèles mathématiques. L'introduction de nouveaux outils d'intelligence artificielle a permis d'améliorer ces modèles, marquant ainsi une évolution technologique significative.

D’autre part, les plateformes de trading demeurent les détentrices des données de marché, et les fournissent de la même façon : à travers des fichiers ou des interfaces API. Toutefois, les méthodes d'analyse ont connu des changements significatifs, dépendant des besoins spécifiques de l'utilisateur final. Un principe clé demeure : mauvaises données en entrée, mauvaises données en sortie. Alors qu'auparavant, les mauvaises données étaient souvent écartées, aujourd'hui, il est possible de les corriger pour garantir la fiabilité des résultats.

Des avancées telles que le nettoyage des données erronées, le comblement des lacunes en cas de données manquantes, ou encore l'utilisation de modèles pour catégoriser et analyser l'information sont apparues. Cela souligne l'importance des data scientists capables d'apporter une dimension qualitative à la donnée, allant au-delà des simples chiffres. Ces processus ont accru la demande de ce type d’experts, qui possèdent une compréhension approfondie des marchés ou de l'économétrie, des compétences statistiques solides, ainsi que des compétences en programmation pour traiter et transformer les données en informations exploitables.

Comment la protection des données et la confidentialité deviennent-elles des enjeux cruciaux à mesure que les entreprises intègrent l'intelligence artificielle et la data ? Comment les professionnels peuvent-ils naviguer entre ces défis tout en tirant parti de ces technologies ?

Dans le contexte actuel, deux problématiques distinctes émergent concernant les données : leur collecte et leur protection.

La première problématique est principalement règlementaire, avec des défis concernant l'accès aux données qui peuvent sembler publiques, mais qui nécessitent une gestion appropriée en raison de leur sensibilité (par exemple, le profil de consommation électrique d'un industriel). L'intelligence artificielle peut jouer un rôle crucial en facilitant la recherche et l'organisation efficace de ces données pour les rendre exploitables. Les règles du RGPD ont par ailleurs rendu la collecte de données plus complexe, notamment pour les nouveaux entrants qui doivent composer avec des coûts élevés.

Parallèlement, la montée en puissance du cloud soulève des défis en matière de sécurité des données, nécessitant souvent des mesures d'authentification à deux ou trois facteurs. Cela soulève des enjeux de sécurisation des espaces en ligne et de la virtualisation des solutions. Bien qu'il soit possible d'isoler les solutions informatiques en les intégrant au réseau local de l'entreprise pour une meilleure protection, la tendance va vers une généralisation des solutions entièrement connectées.

Dans ce contexte, l'intelligence artificielle pourrait jouer un rôle inattendu en analysant les comportements liés à l'utilisation des données pour sécuriser l'accès et identifier les utilisateurs malveillants, plutôt que d'analyser directement les données à protéger.

Les entreprises sont alors de plus en plus demandeuse de compétences en sécurité. Une veille constante sur les marchés et le recrutement de talents compétents restent donc essentiels pour rester en avance.

En ce qui concerne la formation et le développement des compétences, comment les professionnels peuvent-ils se préparer à un environnement professionnel de plus en plus orienté vers la data et l'intelligence artificielle ? Quelles compétences sont essentielles pour rester compétitif sur le marché du travail de demain ?

Dans le domaine fermé de l'analyse de marché, l'humain doit demeurer au cœur de la prise de décision et de la stratégie organisationnelle. L'intelligence artificielle est perçue comme un outil puissant, comparable à la généralisation de l'informatique dans les années 90, permettant une meilleure information et assistance. Cette évolution nécessite l'intégration de profils capables de tirer pleinement parti de cet outil et d'en démontrer les avantages. Les compétences clés pour naviguer dans cet environnement incluent la maîtrise des outils de gestion de données, des compétences statistiques et de modélisation solides, ainsi qu'une capacité à communiquer et à vulgariser ces nouveaux outils pour les utilisateurs finaux.